編輯導語：對於不少產品經理來說，掌握資料分析的核心能力並不在於瞭解豐富的模型和方法論，而是能敏銳的發現數據並且從中找出潛在規律。資料分析始終不能落地？這有一個案例，希望能對你有幫助。
“你做的資料分析，一點都不落地！”
“除了寫數字，能不能有落地建議！”
“看了數，所以呢？要幹啥？”
這一類抱怨，經常在辦公室響起，讓做資料的同學很鬱悶。到底咋做算落地？今天透過一個例子，系統講解一下。
問題場景：某大型售後連鎖服務商，同時承接廠商、企業、個人的服務需求，由客服接需求以後生成工單，分配給自營的服務點或外包的服務商，上門完成服務。現在已定下，北極星指標是：實際完成工單件數，問：如何做進一步落地分析。
01 資料落地的常見錯誤
很多同學一看到問題，就說：老師，這題我會！工單=需求數*轉化率嗎，既然要提高完成工單件數，那要做的就是，把需求數和轉化率兩個指標：搞高！
所以資料落地的方式，就是：
一要多籤廠商客戶
二要多籤企業客戶
三要做大個人流量
四要提高客服效率
五要加強上門管理
六要提升師傅技能
你看，這建議多具體，多落地……
首先，這麼說確實沒錯，確實這些指標要搞高，確實這六條都是建議，問題是：這些都是正確的廢話，即使不做資料分析師，大家也“早就知道了”，那肯定要搞高呀，還能搞低不成。
從資料推導業務落地行動，核心是：
輕重緩急。
透過資料分析找到哪裡是重點，哪些是輔助，這才是資料計算的價值。如果不加計算，那人人都知道這也要加強，那也要加強。
1. 第一步：梳理業務流程
想落地第一步，就是
停止在資料層面：坐而論數，就數論數。
資料到底從哪個業務流程裡來，又受哪個流程影響，得先理清楚。業務層的梳理，一般
由粗到細
，剝洋蔥般層層深入。比如本案例中，雖然涉及業務的角色很多，但以客服收到線索為界限，可以劃分為：需求/供給量大部分。
如下圖：
目標是提高完成工單數量，第一級要做的輕重緩急判斷，就是：需求/供給是否匹配。
僅看單個月份/整體供需情況，可能有三個狀態：
第一級判斷，決定了後續落地方向：
需求≥供給，提升供給能力
需求=供給，持續觀察/降低供給成本
需求≤供給，發展客戶，擴大需求
這就是V1。0的落地建議。注意，真實建議不會給得這麼口語化，而是經過計算的：
這一步看起來簡單，其實也暗藏玄機：怎麼判斷到底哪頭大？
2. 第二步：樹立判斷標準
判斷標準，絕不是讓老闆拍個腦袋那麼簡單。需求≤供給相對容易觀察，比如售後師傅人均工單數少、平均工資低、人員流失多等等。
但需求≥供給，很有可能是沒有資料記錄的。比如個人客戶打電話進來，結果約不到師傅；企業客戶打電話進來，要排隊很久才能修理，但是因為籤的是年度合同，所以一時半會不會翻臉。
這些情況都使得評估供給能力存在困難，資料不真實情況。等企業客戶流失的時候才反應過來，已經太晚了。
因此，樹立標準最好單獨做分析。比如廠商/企業客戶，需要匹配合同簽約時服務條款（比如接單24小時內處理完畢）；對個人客戶，需要看客戶發起需求後完成率，並且從完成率中，剔除客戶原因（詢價後嫌貴、上門找不到人、隨口問問等情況）才能算出來相對準確的數字。
這是
尋找判斷標準
的工作，建立標準工作後，還得跟各部門共識，才能達成一致認可。
這一步很重要，很多同學之所以難以落地，從第一步就是：
只有數字，沒有判斷
。或者判斷條件不嚴謹，導致後邊一深入，發現有很多業務上定義模糊，相互扯皮的地方。
這樣自然落不下去，如下圖：
3. 第三步：從短期到長期
注意：時間拖長，可能有季節性變化。比如特定裝置在夏季/冬季使用頻率高，更容易出故障。因此基於一個月份建立標準後，可以看一整年的情況，進一步鎖定問題。
比如整體情況是：需求≥供給，但是：
偶爾性（1、2個月）
經常性（連續發生大於3個月）
持續性（新上/臨近報廢）
季節性（特定季節發生）
對應的輕重緩急也是不同的，能引匯出的落地建議也不同，如下圖：
4. 第四步，找重點、抓重點
整體情況確定以後，再看區域性問題。比如在第一階段，鎖定了問題來自：供給端，就是供給不夠，那麼該怎麼進一步分析呢？
首先，業務有三條線，三條線誰是重點，要先區分出來。因為廠商/企業這種toB類客戶和toC類個人使用者，是根本兩個發展思路，不僅當前在工單總數中佔比不同，而且對未來發展重要性也不同，很有可能toB才是公司生命線。
在不同重要性影響下，即使當前資料相同，對未來發展的判斷也可能是不同的，要先做判斷，再往下細看，如下圖：
5. 第五步，從整體到區域性
其次，售後服務是分割槽域交付的，因此哪個區域特別嚴重，哪個區域例外，再分出來。這個相對容易理解，每個區域的客戶需求，門店/師傅配置都不同，很可能邊遠地區還是二次外包出去的，因此鎖定問題點，也有助於：
抓大放小
，先解決問題突出的地區。
這裡又有策略上差異：如果真看到某個地區需求特別旺盛，且都是外包在做，很有可能會選擇“更換掉外包，自己設一個服務點”而不是“該外包需保持業績發展趨勢”。在落地上，從來都
不是
哪個指標好了就保持，
也不是
哪個差了就改進的，很有可能有第三選擇。
6. 第六步，從區域性到細節
最後，售後服務是分2個環節執行的，到底是客服派單慢，還是售後執行差，再分出來。
這個分解最為複雜。因為客服派單派不出去，很有可能是因為該區域/該大客戶服務團隊的工作已經飽和了，或者是因為節假日等正常原因，或者是因為在等零件調貨等客觀原因，所以不拿到接到單以後的服務團隊/配套情況/節假情況等明細資料，很難說清楚到底是派單員的問題，還是服務的問題。
在考慮落地方案的時候，
越細節的問題，越放在後邊解決
。因為很有可能落到特別細的細節以後，你會發現根本沒有資料……手頭有啥資料就用啥，這也是分析的基本原則。
7. 第七步，從資料到管理
面對細節資料缺失，可以用管理手段配合資料建設。
比如要求客服在首次接單且售後無異常的情況下，接單30分鐘內完成分配，有異常就人工反饋標註。
還可以提前對各地區配件數庫存進行檢查，提前標註缺貨標籤，這樣分析的時候，能區分哪些因為等配件而延遲。還可以要求服務師傅上門前/服務完成後進行系統打卡登記，這樣統計師傅在崗情況，從而反推是否師傅已飽和。
注意，這些管理手段本身對業績也是有幫助的。可以提前發現配套問題，可以監控一線行為獎勵多勞多得，可以及時發現有增長潛力的地區。
所以，
用這些業務上利益點做誘餌，是可以推動管理手段落地的
，進而達到採集資料的目的，從而一舉兩得。如果沒有好的管理手段，很有可能資料都採集不上來，自然也無法落地。如果沒有業務上利益點，即使高層強力介入，強行把軟體推下去，業務不配合、亂填一通，資料還是一塌糊塗。
02 小結
想把資料落地，就是這樣一步步從粗到細，剔除各種異常，擊中要害，最後靠和管理手段結合落地。
而不是簡單地：
也更不是出一套“神威無敵大將軍模型”就能搞掂的。比如有的同學一看：誒呀！有客服派單！立馬條件反射般：我們效仿滴滴/美團，建立人工智慧派單模型。
那個，這是售後業務耶，機器的損壞率可不會像打車/外賣一樣天天持續，需求就那麼多。且上門還牽扯配件問題，哪裡能隨便亂套。所以想做的細，就得深入業務流程，耐著性子剝洋蔥。
#專欄作家#
接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深諮詢顧問，在網際網路，金融，快消，零售，耐用，美容等15個行業有豐富資料相關經驗。
本文原創釋出於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議。